对话郎咸朋：具身也会有“蔚小理”，靠融资实现不了物理AGI

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 对话郎咸朋：具身也会有“蔚小理”，靠融资实现不了物理AGI 思邈 2026-08-10 14:58:58 来源： 量子位 邓思邈 发自 凹非寺 量子位 | 公众号 QbitAI 郎咸朋创业之后，第一次开口了。 理想汽车前智驾一号位，8年把辅助驾驶从0做到150万辆量产，交付端到端和VLA； 今年3月创立了具身智能公司 昆仑行 ——90天内连融三轮，规模达数十亿元，跑成一家独角兽。 这是他出来创业后的首次公开露面。 近2小时聊下来，有几条信息足够劲爆： 具身智能有多烧钱？训一个具身大模型，几亿、十亿都打不住，得 几十亿甚至上百亿 。 只靠融资，谁都撑不到具身实现的那一天。 眼下这场“百机大战”，在他看来会像新能源车一样大浪淘沙，最后跑出具身智能自己的 “蔚小理” 。 至于整个行业走到哪一步，他的参照系是十年前的自动驾驶—— 2015、2016年那阵，路线不定、demo满天飞，但没一家真出货…… 90天，跑出一家具身独角兽 郎咸朋是理想前智驾一号位，用8年把理想的辅助驾驶从零做到150万辆车规模的量产。 他的搭档 任庚 曾任华为国家CEO、阿里巴巴集团副总裁、阿里云中国区总裁，现在是昆仑行的创始人兼CEO。 两人在各自不同领域取得成功后，如何双向选择，携手同行？一直是外界的疑问。 △昆仑行创始人兼CEO任庚 关于这一点，郎咸朋与任庚有着高度一致的共识： 行不行、合不合、久不久。 行不行看能力，这个最好验证，从过往做过的产品和成绩里就能看出来，而且两人的能力要互补，他管技术和研发，任庚管商业和管理。 合不合看认知，两人围绕具身智能的产品、技术、商业聊了很多，发现判断惊人地一致。 久不久看这件事值不值得长期投入，他们认定具身不是三五年的短期生意，是一件能做十年的事。 三条都过关，剩下的就快了。两人很快就达成一致，然后一起出来做了昆仑行。 在他看来，选合伙人还有一条更要紧的标准。“ 合适比熟悉更重要。 ” 郎咸朋说，创业选的是能把事做成的人，不是相处起来舒服的人，最好两样都占，但前者更关键。 至于公司为什么叫昆仑行，郎咸朋说这名字有讲究，值得好好说说。 一开始他们想过不少很fancy、很科幻的名字，但最后还是落回了昆仑行。 “昆仑”是中华民族的图腾，一说出来大家就知道，这是一家有很强的民族使命感的中国公司；“行”代表使命必达，一定能行。 两个字合起来，是中华民族在具身智能上一定行。 名字背后是一个更大的判断。在郎咸朋眼里，昆仑行是站在时代的趋势上做这件事，他希望在探索物理AGI的这段历史里，能留下公司每一个人的名字。 创业之前，想清楚的三件事 注册公司之前，有些事必须先想清楚，有些可以边做边改。 昆仑行想清楚的是三件： 范式、方法、路径 。 先说范式。郎咸朋把 范式选对 ，称作具身智能的第一性原理。 做自动驾驶时，如果一上来用规则去做，就不会有后来理想汽车的成功。 做具身也一样。他的判断是，不能沿用自动驾驶那套范式，因为无论端到端还是VLA，底子都还是模仿学习。 △昆仑行联合创始人兼CTO郎咸朋 机器人的范式应该是 理解 ，不是模仿。一个场景可以靠模仿，上万个场景没法靠模仿。 范式怎么落成能操作的方法，是第二件事。 郎咸朋的答案还是数据，他将数据效率概括为一个公式： 数据效率＝获取效率×使用效率。 过去自动驾驶和大模型的成功，占的是获取效率的便宜，互联网数据、人类开车的数据，几乎零成本就能拿到。 具身不行，你不可能先把机器人搬进用户家里、让人手动操作两年再来训练。 获取这条路不好走通，昆仑行押的是使用效率，做法就是他们提到的 数据编译 ，让机器人学会理解物理世界所需要的信息和知识。 光有数据和模型还不够，得有 工程 兜底。 这一点郎咸朋拿Anthropic这家公司打了个比方，大家觉得Claude Code好用，模型强是一方面，但支撑它真正好用的，是背后那套Agent机制。 昆仑行做机器人的工程落地，用的也是 Agent的工程框架 ，而不是过去软件硬件简单拼凑的做法。 第三件是商业路径。昆仑行的选择是 先toB再toC ，从 工厂上下料、物流 这些相对简单可控又有商业价值的场景入手， 家庭 放到最后落地。 家庭是终点，不是起点。 原因是家庭太复杂，而且对安全性、可靠性的要求极高。 家里有老人有小孩，技术不成熟就进去，不只对这一个家庭有风险，对整个行业也会造成伤害，这是郎咸朋做自动驾驶多年留下的职业警觉。 范式、方法、路径想清楚后，剩下的细节，比如模型怎么设计、数据管线怎么搭，郎咸朋认为可以边做边迭代。 他把这条经验总结成一句话，“出发永远比想清楚更关键。” 把“理解”写进模型和数据里 范式选了理解，落到技术上是两件具体的事， 模型怎么设计，数据怎么做 。 先看模型，昆仑行的世界模型从第一天起，就锚定了一个叫「 物理因果 」的第一性原理。 郎咸朋的类比是人，人做事先有目的，为目的产生动作，动作产生结果，结果再回过头评价动作的好坏，他们的模型就照这个顺序设计。 昆仑行现在这套模型的架构是MoT，是一种由多个专家网络分工的结构。 MoT本身不算新，很多团队都在用，昆仑行的不同点在于分法。 别人大多按模态分，文本一个专家、视频一个专家、动作一个专家；昆仑行按 目的、动作、结果 来分，分的是一张因果图。 跟它配套的，是一个自研的「 联合因果注意力机制 」。 过去MoT里几个专家的注意力是完全共享的，郎咸朋认为不合理。做动作的时候，模型只应该看到目的；动作做完，负责结果的专家才能看到动作和目的产生了什么。 所以他们让注意力单向流动。用他的话说，做动作时不能偷看结果，“这样就作弊了”，也不符合因果。 昆仑行希望借此避免模型通过结果反推动作，让模型学习到的关系更符合真实物理世界中的因果顺序。 按照郎咸朋的描述，这套世界模型还试图用同一套架构、参数和权重，同时完成多种任务：既可以生成动作，也可以预测动作结果，还可以渲染最终的视频。 不过，郎咸朋并没有将当前方案，描述为一个已经收敛的终局架构。 在他的判断中，具身智能还处于非常早期的阶段，具体模型和方案必然会继续调整。 正如自动驾驶曾经历 有图、轻图、无图、端到端和VLA 等多次范式切换，世界模型也可能只是当前阶段通往物理智能的一种实现方式。 模型之外是数据。昆仑行的另一项核心工作—— 数据编译 ，具体分为四步。 第一步，把场景里每个物体的物理量显式标出来，重力、重量、受力、摩擦。 这些不一定靠触觉传感器去测，很多是模型自己算出来的。 第二步，沉淀物理机制，比如牛顿第二定律这类规律。 第三步，把物理量和机制编译进训练样本，让样本自带物理。 第四步，用数据回传的机制不断迭代，把表现不好的数据挖出来重新标注和编译。 编译过的数据富含物理因果，训出来的就不是一个只会找相关性的模仿模型。 这套做法还带来一个郎咸朋很看重的性质，「 一脑多形 」，一个大脑驱动多种形态的机器人。 他说这不是刻意设计，是天生如此。 模型学的是物理规律，而物理规律对任何形态都成